用多消失矩最优小波包基改进虹膜识别

采用层叠算法求出尺度函数和小波函数的离散采样序列的逼进，将不具有基函数解析表达式的母小波用于虹膜特征提取，并利于实现连续小波包变换.针对虹膜光学识别应用背景，提出采用基于连续小波包变换的多消失矩联合最优小波包基来改进特征图像相关识别的最优基，并用统计识别方法进行后处理以增强算法适应性，同时提出通过体全息相关系统来实现，以发挥光学高并行性的优势，模拟结果表明可获得比已有方法更高的识别率.     

基于分层引导滤波与最近邻正则化子空间的高光谱图像分类

针对高光谱图像中同质异谱现象造成的分类精度较低以及边缘像元在联合空间光谱信息分类时特征易混淆的问题,提出了基于分层引导滤波与最近邻正则化子空间的分类方法.利用主成分分析获得高光谱图像的第一主成分.以第一主成分为引导图像对高光谱图像执行分层引导滤波操作,引导滤波的边缘保护特性,有效阻隔了边缘处类间光谱信息的混淆,并减小了局部区域类内光谱的差异,最后将预处理后的高光谱图像送至最近邻正则化子空间分类器进行分类识别.在Indian Pines,Salinas以及GRSS_DFC_2013高光谱数据集上与现有的方法进行对比实验.结果表明,本文提出的方法在三个数据集上分别取得了98.63%,99.13%与99.42%的总体分类准确率,有着更优的分类精度与可视化效果.     

基于Gabor小波变换的ICA火灾图像纹理识别算法

针对火灾图像纹理识别问题,提出了基于Gabor小波变换的ICA火灾图像纹理识别算法,并根据火灾图像纹理识别特点进行了优化。首先用不同尺度和方向的Gabor滤波器对待识别图像滤波,得到其特征图像,然后将特征图像转化成特征向量作为ICA的输入,得到基矢量子空间,再将测试图像经过Gabor滤波器的特征向量投影到ICA子空间中得到系数向量作为目标识别特征,最后用支持向量机进行识别。通过与Gabor滤波器法和ICA方法的对比实验,表明该算法可以在火灾纹理图像的识别率上比传统方法提高5%以上,为火灾图像识别提供了一种新思路。     

弱光照环境下人脸表情图像识别方法研究

对弱光照环境下人脸表情图像进行识别,可以更好地对人类的情感进行分类,有利于人类在现实社会中的沟通。当前方法利用提取人脸表情图像的一维特征完成对弱光照环境下人脸表情图像的识别,该方法无法对人脸表情图像进行详细地描述,导致人脸表情图像在识别时经常出现识别精度低、速度慢的问题。为此,提出一种基于BP神经网络的弱光照环境下人脸表情图像识别方法。该方法首先利用自相似性对带有噪声的图像进行图像区域划分,并依据统计学习获得线性空间,通过对空间的投影获得不含噪声的人脸表情图像区域向量,将人脸表情图像进行重组,得到去噪后的图像,然后利用Cabor变换对人脸表情图像特征进行提取,采用AdaBoost对弱分类器以及人脸表情图像样本进行训练,并通过多次弱分类器的迭代,得到最终的人脸表情图像强分类器,完成对弱光照环境下人脸表情图像的识别。实验结果证明,所提方法可以提高人脸表情图像的识别准确率,加快识别速度,为该领域的研究发展提供强有力依据。     

提高PCA识别率的新算法

针对基于主元分析(PCA)的识别算法不能最优区分不同种类样本的缺点,提出了一种新的多主元分析(Multi-PCA)识别算法。该算法为每类样本构造单独特征空间,用各个空间的特征向量重建待识别样本。特征空间是基于某类样本图像的共性建立,因此重建该类样本图像时将得到较小重建误差,而重建其它类图像时的误差较大。可以根据重建误差的大小来识别样本图像,将待识别样本分类到具有最小重建误差的特征空间。在ORL、YALE人脸库和标牌压印字符库上的实验结果显示,Multi-PCA的识别率比PCA有较大提高。     

光学小波包变换及其滤波器的研究

基于对光学小波变换必要条件的分析，提出光学小波包变换的概念.选出虹膜图库的联合最优小波包基，利用最优基的线性组合生成相应的复合光学小波包滤波器.将滤波器用于光电混合虹膜识别系统中对待识别输入进行小波包特征提取预处理，模拟结果不仅证明引入该滤波器可明显提升系统的识别效果，也证明了光学小波包变换提出的意义.     

多探测器拼接成像系统实时图像配准

依据已设计完成的基于同心球透镜的四镜头多探测器阵列拼接成像系统,对该系统图像拼接配准过程所采用的特征检测提取、特征向量匹配与筛选、空间变换模型参数估计等算法进行了研究。首先,采用Fast-Hessian检测子提取参考图像和待配准图像的特征点,并生成加速鲁棒特征(SURF)描述向量。接着,采用快速近似最近邻(FANN)逼近搜索算法获得初始的匹配点对,并对匹配点对特征向量的欧式距离进行排序。然后,参照成像系统光学设计参数设定合理的阈值,筛选并保留下较好的匹配点对。最后,提出了一种改进的渐进式抽样一致性(IPROSAC)算法对空间变换矩阵模型进行参数估计,从而得到参考图像与待配准图像的空间几何变换关系。实验结果表明:该算法对图像尺寸、旋转和光照变化都具有一定的不变性,特征匹配时间为0.542 s,配准变换时间0.031 s,配准误差精度小于0.1 pixel,可以满足成像系统关于图像配准实时性和准确性的要求,具有一定的工程应用价值。     

基于灰度曲面匹配的虹膜识别方法

目前的虹膜识别都是采用在图像上提取特征点,并将特征点编码为固定长度的特征数据用于匹配的方式。这种方式使虹膜识别系统易受攻击。为了进一步提高虹膜识别系统的安全性和识别速度,提出了一种基于灰度曲面匹配的虹膜识别方法。该方法抛弃了特征提取和编码等传统操作,在特征分析的基础上直接利用了灰度曲面匹配的思想,首先对两幅图像中的像素灰度做差,得到灰度差曲面,然后求出该灰度差曲面的方差。将此方差作为衡量两个虹膜特征曲面之间距离的依据,并据此判定两个虹膜是否来自同一只眼睛。在给定阈值为40的前提下,正确识别率为96.89%,识别时间为53.2 ms。实验结果证明,该方法识别准确率高,识别速度快。     

一种基于稀疏编码空间金字塔匹配的图像分类算法

图像分类技术是近年来计算机视觉领域中的研究热点,在移动互联网领域中取得了成功应用。提出了一种基于稀疏编码空间金字塔匹配的图像分类算法。该方法首先对图像的SIFT特征进行稀疏编码,替代了传统的矢量量化方法,可以有效降低量化误差,构建更为准确的图像表征方式,然后结合空间金字塔匹配算法采用线性分类器对图像进行分类识别。在标准测试图像数据库上的实验结果表明,相比BOF和SPM方法,该算法可以将图像分类准确率提高4%~12%。     

用相关矩阵特征判据法实现三重不变光学图像识别

本文首先在K-L变换中用相关矩阵作为特征判据进行特征压缩,然后用综合判别函数法制备空间综合匹配滤波器,可以有效地压缩特征图像数目.用这种滤波器实现了平移、旋转、尺度三重不变光学图像识别,且有较高的信噪比.     

Finger crease pattern recognition using Legendre moments and principal component analysis

The finger joint lines defined as finger creases and its distribution can identify a person. In this paper,we propose a new finger crease pattern recognition method based on Legendre moments and principal component analysis (PCA). After obtaining the region of interest (ROI) for each finger image in the preprocessing stage, Legendre moments under Radon transform are applied to construct a moment feature matrix from the ROI, which greatly decreases the dimensionality of ROI and can represent principal components of the finger creases quite well. Then, an approach to finger crease pattern recognition is designed based on Karhunen-Loeve (K-L) transform. The method applies PCA to a moment feature matrix rather than the original image matrix to achieve the feature vector. The proposed method has been tested on a database of 824 images from 103 individuals using the nearest neighbor classifier. The accuracy up to 98.584% has been obtained when using 4 samples per class for training. The experimental results demonstrate that our proposed approach is feasible and effective in biometrics.     

Novel classification rule of two-phase test sample sparse representation

In this paper, a novel classifier based on two-phase test sample sparse representation (TPTSSR) classifier and coarse k nearest neighbor (C-kNN) classifier, called novel classification rule of two-phase test sample sparse representation (NCR-TPTSSR) classifier, is proposed for image recognition. Being similar to TPTSSR classifier and C-kNN classifier, NCR-TPTSSR classifier also uses the two phases to classify the test sample. However, the classification rule of NCR-TPTSSR classifier is different to the decision rule of TPTSSR classifier and C-kNN classifier. A large number of experiments on FERET face database, AR face database, JAFFE face database and PolyU FKP database are used to evaluate the proposed algorithm. The experimental results demonstrate that the proposed method achieves better recognition rate than TPTSSR classifier, C-kNN classifier, nearest feature center (NFC) classifier, nearest feature line (NFL) classifier, nearest neighbor (NN) and so on.     

基于波段子集特征提取的最小二乘支持向量机高光谱图像分类技术

针对高光谱图像分类,文章提出一种基于波段子集最大噪声分量特征提取的最小二乘支持向量机的高光谱图像分类算法.利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集,并在各个子集上采用最大噪声分量方法进行特征提取,将提取的特征合成为分类的组合特征矢量,避免了高光谱图像较强的波段相关性,减少了谱间冗余.并且采用了最小二...     

基于双树复数小波变换的微钙化诊断方法

提出一种基于双树复数小波变换的微钙化分类方法.通过提取基于小波和灰度直方图的纹理特征,结合遗传算法进行特征优化,分别用神经网络,支持向量机和KNN分类器进行微钙化的良恶性分类.对三种不同的分类器进行对比,结果表明:KNN分类器取得最好的效果,而支持向量机优于神经网络.KNN分类器对比于神经网络和支持向量机,无需训练,可节约训练时间,最直接地利用了样本和样本之间的关系,减少了类别特征选择不当对分类结果造成的不利影响,可以最大程度地减少分类过程中的误差项.在类别决策时,KNN分类器只与极少量的相邻样本有关,可以较好地避免样本数量的不平衡问题.与传统的小波比较,双树复数小波具有近似平移不变性和正则性,对图像信号具有良好的方向选择性,且冗余度有限,计算量较小.     

基于CSIFT的彩色图像配准技术研究

图像配准在计算机视觉、遥感、医学诊断与治疗、环境监测等领域有广泛的研究应用.目前,多数算法是将彩色图像转化为灰度图后再配准,色彩信息的丢失可能会引起误配准.为此,提出一种基于CSIFT(Colored scale invariant feature transform)的彩色图像配准方法,求出彩色图像各个位置处的颜色不变最,以颜色不变量作为输入图像,再提取特征点并描述特征点周围的信息,通过最近邻匹配法求出图像问的匹配对,最后利用匹配的特征求取图像间的变换参数及配准后图像.实验结果表明,对彩色图像进行已知参数值变换时,该算法能得到精度高、误差小的计算结果;对变换关系末知的彩色图像,也能准确地求出图像间的映射关系;且多数情况下运行速度较SIFT(Scale invariant feature transform)快.     

Kernel representation-based nearest neighbor classifier

An improvement to the nearest neighbor classifier (INNC) has shown its excellent classification performance on some classification tasks. However, it is not very clearly known why INNC is able to obtain good performance and what the underlying classification mechanism is. Moreover, INNC cannot classify low-dimensional data well and some high-dimensional data in which sample vectors belonging to different class distribution but have the same vector direction. In order to solve these problems, this paper proposes a novel classification method, named kernel representation-based nearest neighbor classifier (KRNNC), which can not only remedy the drawback of INNC on low-dimensional data, but also obtain competitive classification results on high-dimensional data. We reveal the underlying classification mechanism of KRNNC in details, which can also be regarded as a theoretical supplement of INNC. We first implicitly map all samples into a kernel feature space by using a nonlinear mapping associated with a kernel function. Then, we represent a test sample as a linear combination of all training samples and use the representation ability to perform classification. From the way of classifying test samples, KRNNC can be regarded as the nonlinear extension of INNC. Extensive experimental studies on benchmark datasets and face image databases show the effectiveness of KRNNC.     

A multi-resolution wavelet algorithm for hand vein pattern recognition

A novel hand vein recognition algorithm is developed based on multi-resolution wavelet analysis. The texture feature of hand vein can be extracted by three-level wavelet decomposition. Furthermore, Knearest neighbor (KNN) with support vector machines (SVM) and minimum distance classifier (MDC) are employed for feature matching. Finally, the experiments are respectively performed in identification and verification modes using Tianjin University (TJU) hand vein image database constructed by our group.The results show the feasibility and effectiveness of the proposed method.     

复杂背景下目标检测的级联分类器算法研究

目标检测与跟踪一直是图像处理与计算机视觉领域的热门研究方向之一,其对军事上的成像制导、跟踪军事目标等以及民事方面的安防监控、智能人机交互等方面均有着重要的研究价值.将特征匹配问题看成是一种更普遍的二分类问题,将这种难解的高维计算变成二分类问题,使计算复杂度大大减小,这类方法以大数定律和贝叶斯法则为理论依据,本文提出一种非树形结构的分类器,并从理论上推导出其实现公式,将1bitBP特征应用到分类器中,同时采用计算量由小到大的三个分类器进行级联从而实现鲁棒精确的目标检测.从实验结果来看,本文算法能够对目标的尺度变化、旋转、部分遮挡、形变、模糊、背景变化等复杂情况有较好鲁棒性,并且检测精度相对较高,而本文算法的计算复杂度低、计算量小,有较高的应用价值.     

基于多尺度Radon变换的图像检索

根据Radon变换的统计特性构造了不变量,提出一种新的基于多尺度Radon变换的图像形状检索方法.对检索图像作小波变换,根据小波模极大原理得到边缘图像,对边缘图像构造Radon变换中心矩,在中心矩的基础上根据Radon的统计原理构造出尺度不变矩.由于矩阵的奇异值具有旋转不变性,因此针对不变矩向量矩阵求奇异值,该奇异值特征向量具有平移、尺度和旋转不变性.将该Radon变换的不变量作为形状特征,并进行高斯归一化,按照欧氏距离计算不同图像间的形状相似度.试验结果表明,该方法对高斯噪音具有较强的鲁棒性,与其它方法相比具有较好的检索效果.